[發明專利]基于弱標注圖像的服裝識別方法及系統

有效

• 申請號: 201710719635.0
• 申請日: 2017-08-21
• 公開（公告）號: CN107506793B
• 公開（公告）日: 2020-12-18
• 發明（設計）人: 徐卉;程誠;周祥東;石宇
• 申請（專利權）人: 中國科學院重慶綠色智能技術研究院
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 上海光華專利事務所(普通合伙) 31219
• 代理人: 尹麗云

1.一種基于弱標注圖像的服裝識別方法，其特征在于，包括：

采集完全標注樣本數據和弱標注樣本數據；

對完全標注樣本數據進行算法訓練，獲取初始模型；

同時從完全標注樣本數據和弱標注樣本數據中獲取有效信息，根據有效信息對所述初始模型進行進一步訓練，獲取最終模型；

通過最終模型進行服裝圖像識別；

所述同時從完全標注樣本數據和弱標注樣本數據中獲取有效信息，包括：

將若干完全標注樣本數據集和弱標注樣本數據集作為訓練集輸入至初始模型進行訓練；

分別獲取完全標注樣本數據的權重和弱標注樣本數據在訓練集的權重，以及權重閾值；

將弱標注樣本數據的權重與權重閾值進行比較，對弱標注樣本數據集中的弱標注樣本數據進行篩選。

2.根據權利要求1所述的基于弱標注圖像的服裝識別方法，其特征在于：所述初始模型為多層結構，多層結構至少包括多個卷積層、inception層、池化層和全連接層，將多個inception層的輸出合并添加到最后一個全連接層，形成多尺度卷積神經網絡結構。

3.根據權利要求2所述的基于弱標注圖像的服裝識別方法，其特征在于：所述初始模型還包括用于特征分類的softmax loss層和用于相似性排序的triplet loss層，同時通過特征分類和相似性排序的混合損失函數來訓練所述完全標注樣本數據，建立初始模型。

4.根據權利要求3所述的基于弱標注圖像的服裝識別方法，其特征在于：通過特征分類和相似性排序的混合損失函數來訓練完全標注樣本數據，所述特征分類和相似性排序的混合損失函數為：

L(d₁,d₂,d₃)＝L_cls(d₁,d₂,d₃)+λ*L_rank(d₁,d₂,d₃)

其中，λ是特征分類信號和相似性排序信號之間的權重參數，L_cls(d₁,d₂,d₃)是特征分類損失函數，L_rank(d₁,d₂,d₃)是相似性排序損失函數，d₁，d₂，d₃分別是訓練樣本，L(d₁,d₂,d₃)是特征分類和相似性排序的混合損失函數。

5.根據權利要求1所述的基于弱標注圖像的服裝識別方法，其特征在于，所述權重閾值通過如下公式獲取：

其中，d_c為權重閾值，Mc為完全標注數據集的類別數，S_i為類別i所在的數據集，w(p)為訓練樣本p在訓練集中所占權重，N為每個類別包含的圖像數據數量。

6.根據權利要求1所述的基于弱標注圖像的服裝識別方法，其特征在于，所述同時從完全標注樣本數據和弱標注樣本數據中獲取有效信息，還包括：在初始模型的訓練集中計入易混淆的類別對，通過初始模型獲取模糊度，并根據所述模糊度對初始模型進行二次訓練。

7.根據權利要求6所述的基于弱標注圖像的服裝識別方法，其特征在于，所述模糊度通過如下公式獲取：

其中，N_i為類別i的樣本個數，N_i→j為通過初始模型將類別i誤判為類別j的樣本個數，f_ij為類別i和j之間的模糊度。

8.一種計算機可讀存儲介質，其上存儲有計算機程序，其特征在于：該程序被處理器執行時實現權利要求1至7中任一項所述方法。

9.一種基于弱標注圖像的服裝識別系統，其特征在于，包括：

采集單元，用于采集完全標注樣本數據和弱標注樣本數據；

存儲器，用于存儲計算機程序；

處理器，用于執行存儲器存儲的計算機程序，以使所述基于弱標注圖像的服裝識別系統執行如權利要求1至7中任一項所述方法。